CN111327435A - 一种根因定位方法、服务器和存储介质 - Google Patents

Abstract

本发明实施例涉及通信技术领域，公开了一种根因定位方法、服务器和存储介质。本发明中，检测待测试数据集中的关键性能指标，并将待检测数据集中关键性能指标异常的数据提取出来获得第一数据集；计算第一数据集中关键性能指标和多个非关键性能指标之间的相关系数矩阵；根据相关系数矩阵和已知的根因定位树确定关键性能指标异常时的根因，其中，根因定位树中保存了关键性能指标、多个非关键性能指标和根因的对应关系。使得能够在确定待测试数据集中的关键性能指标异常的情况下，自动实现对根因的准确定位。

Description

一种根因定位方法、服务器和存储介质

技术领域

本发明实施例涉及通信技术领域，特别涉及一种根因定位方法、服务器和存储介质。

背景技术

随着无线通信技术的更新换代，无线网络系统结构日趋复杂，无线网络出现的问题越来越多，而目前分析无线网络问题的主要方法是使用专家经验给出的阈值对无线网络指标进行判断，并通过人力分析数据实现对无线网络问题的根因定位。

发明人发现现有技术中至少存在如下问题：单纯的通过人力分析数据定位问题根因的方法，不仅需要投入大量的人力成本，而且随着当前无线网络越来越复杂，单纯的依靠专家阈值很难准确有效的实现根因定位，因此现有技术中的根因定位方法无法满足用户的实际需求。

发明内容

本发明实施方式的目的在于提供一种根因定位方法、服务器和存储介质，使得能够在确定待测试数据集中的关键性能指标异常的情况下，自动实现对根因的准确定位。

为解决上述技术问题，本发明的实施方式提供了一种根因定位方法，包括以下步骤：检测待测试数据集中的关键性能指标，并将待检测数据集中关键性能指标异常的数据提取出来获得第一数据集；计算第一数据集中关键性能指标和多个非关键性能指标之间的相关系数矩阵；根据相关系数矩阵和已知的根因定位树确定关键性能指标异常时的根因，其中，根因定位树中保存了关键性能指标、多个非关键性能指标和根因的对应关系。

本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的根因定位方法。

本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现如上所述的根因定位方法。

本发明实施方式相对于现有技术而言，当确定待测试数据集中的关键性能指标异常的情况下，计算待检测数据异常部分中的关键性能指标和非关键性能指标之间的相关系数矩阵，在已知的根因定位树的基础上通过查找相关系数矩阵，可以自动获取到关键性能异常时所对应的根因，并且所获得的根因也更加准确。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本申请第一实施例中根因定位方法的流程图；

图2是本申请第一实施例中根因定位树的结构示意图；

图3是本申请第一实施例中根因定位树中相邻节点之间的相关系数标注示意图；

图4是本申请第二实施例中根因方法的流程图；

图5是本申请第三实施例中服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本发明的第一实施方式涉及一种根因定位方法，应用于服务器。具体流程如图1所示，包括以下步骤：

步骤101，检测待测试数据集中的关键性能指标，并将待检测数据集中关键性能指标异常的数据提取出来获得第一数据集。

具体的说，本实施例中的待测试数据集可以是全网指定区域内的基站性能统计数据，或者是一段时间内终端上报的测量报告数据。并且在获得待测试数据集后一般还需要对数据进行预处理，对缺失的数据进行填充或者对明显异常的数据进行剔除。例如，经过预处理后的待测试数据集D＝{x₁,x₂...x_n}，表示待测试数据集D中包括n个数据，并且每一个数据包括多个性能指标，从多个性能指标中选择出一个作为关键性能指标，其余性能指标就可以作为非关键性能指标，并且本实施方式中的关键性能指标指的是服务商所关注的性能指标。

在一个具体实现中，待测试数据集的性能指标包括：呼叫接入性-Accessibility、参考信号接收功率-Rsrp、下行信号与干扰加噪声比-Dlsinr、基站到用户的平均距离-Distance和LTE参考信号接收质量-Rsrq，在本实施方式中是将Accessibility作为关键性能指标，其余性能指标作为非关键性能指标为例进行的说明。

具体的说，本实施方式中在判断待测试数据集中的关键性能指标，例如Accessibility是否异常时，可以采用：计算待检测数据集中关键性能指标Accessibility的标准差σ和均值μ，并根据标准差和均值构建置信区间[σ-nu,σ+nu]，将置信区间中的最小值作为置信下限，将置信区间中的最大值作为置信上限，从而将待测试数据集中关键性能指标位于置信区间之外的数据作为异常数据，当异常数据与待测试数据集总数据量的比值超过10％时，则认为待测试数据集关键性能指标Accessibility异常，并将待测试数据集中关键性能指标位于置信区间之外的数据提取出来作为第一数据集D1＝{x₁,x₂...x_m}，并且m≤n。

步骤102，计算第一数据集中关键性能指标和多个非关键性能指标之间的相关系数矩阵。

具体的说，在本实施方式中第一数据集如下表1所示，根据第一样本数据集D1可以采用欧氏距离、曼哈顿距离、切比雪夫距离、杰卡德系数、余弦相似度、皮尔逊相关系数等算法计算关键性能指标和多个非关键性能指标之间的相关系数矩阵，本实施方式中以皮尔逊相关系数算法为例进行说明。

例如，计算第一数据集中第一列关键性能指标Accessibility和第二列非关键性能指标Rsrp之间的相关系数利用如下公式(1)计算获得：

其中，r₁₂表示关键性能指标Accessibility和非关键性能指标Rsrp之间的相关系数，m表示第一数据集中的数据总量，x_i1表示第一数据集中序号为i的样本中关键性能指标Accessibility的具体数值，x_i2第一数据集中序号为i的样本中非关键性能指标Rsrp的具体数值。当然本实施方式中仅是以Accessibility和Rsrp之间的相关系数为例进行的举例说明，对于其它性能指标之间相关系数的计算方式与此相同，本实施方式中不再进行赘述，如表2所示，为本申请实施方式中根据第一数据集D所最终获得的相关系数矩阵。

表1

表2

步骤103，根据相关系数矩阵和已知的根因定位树确定关键性能指标异常时的根因。

具体的说，在本实施方式中根因定位树中保存了关键性能指标、多个非关键性能指标和根因的对应关系，如图2所示为关键性能指标为Accessibility的根因定位树，其中，根因定位树的每一个分支分代表了当Accessibility发生故障，即通信呼叫接入性差时所对应的可能的不同根因。并且，根因定位树具体包括：根节点、中间节点和叶子节点，其中，根节点表示关键性能指标，叶子节点表示与根因直接相关的非关键性能指标，中间节点表示与根因间接相关的非关键性能指标。

其中，在本实施方式中，确定关键性能指标Accessibility异常时的具体根因，所采用的方式为：根据相关系数矩阵确定根因定位树中相关系数之和最大的一个分支；将相关系数之和最大的一个分支中的叶子节点所对应的根因作为关键性能指标异常时的根因。

需要说明的是，在确定根因定位树中相关系数之和最大的一个分支时，通过确定根因定位树中每一个分支所包含的根节点、中间节点和叶子节点；根据相关系数矩阵查找每一个分支中相邻节点之间的相关系数，并将每一个分支中所有相邻节点之间的相关系相乘，获得每一个分支的相关系数乘积结果；将每一个分支中的相关系数乘积结果进行对比，确定相关系数乘积结果最大的一个分支。

例如，如图2所示关键性能指标为Accessibility的根因定位树包括三个分支，第一分支为Accessibility->Rsrp，第二个分支为Accessibility->Rsrq->Distance，第三个分支为Accessibility->Rsrq->Dlsinr，并且结合表2中的相关系数矩阵获得每一个分支的相邻节点之间的相关系数，如图3所示，第一个分支的相邻节点之间的相关系数乘积结果为0.34，第二个分支的相邻节点之间的相关系数乘积结果为0.6*0.32＝0.192，第三个分支的相邻节点之间的相关系数乘积结果为0.6*0.8＝0.48，经过对比0.48的数值最大，所以将第三个分支作为相关系数乘积结果最大的一个分支。因为第三个分支中的叶子节点所对应的根因为“下行干扰”，因此可以直接确定造成当前通信呼叫接入性差时的原因是存在下行干扰。在得出根因后，运维人员可以根据所得出的结果及时进行系统的调整和维修。

与现有技术相比，本实施方式提供的根因定位方法，当确定待测试数据集中的关键性能指标异常的情况下，计算待检测数据异常部分中的关键性能指标和非关键性能指标之间的相关系数矩阵，在已知的根因定位树的基础上通过查找相关系数矩阵，可以自动获取到关键性能异常时所对应的根因，并且所获得的根因也更加准确。

本发明的第二实施方式涉及一种根因定位方法。本实施例在第一实施例的基础上做了进一步改进，具体改进之处为：对构造根因定位树的过程进行了具体说明。本实施例中的根因定位方法的流程如图4所示。具体的说，在本实施例中，包括步骤201至步骤205，其中步骤203至步骤205与第一实施方式中的步骤101至步骤103大致相同，此处不再赘述，下面主要介绍不同之处，未在本实施方式中详尽描述的技术细节，可参见第一实施例所提供的根因定位方法，此处不再赘述。

步骤201，获取历史样本数据集。

具体的说，本实施方式中的历史样本数据集是通过数据清洗之后所形成的数据集。例如，L＝{y₁,y₂....y_m}，表示历史样本数据集L中包括m个数据，并且历史样本数据集中的每一个数据包括关键性能指标和多个非关键性能指标。

步骤202，根据历史样本数据集构造根因定位树。

具体的说，在本实施方式中，确定每一个根因所对应的第一性能指标，而第一性能指标为与根因直接相关的非关键性能指标；确定每一个根因所对应的第二性能指标，而第二性能指标为与根因间接相关的非关键性能指标；根据关键性能指标、第一性能指标和第二性能指标，从历史样本数据集中获取每一个根因所对应的训练集；根据每一个根因所对应的训练集构建根因定位树。

例如，非关键性能指标Rsrp直接对应根因：下行弱覆盖；非关键性能指标Distance直接对应根因：天线下倾角过大；非关键性能指标Dlsinr直接对应根因：下行干扰。因此针对根因“天线下倾角过大”，可以将Distance作为第一性能指标，而根据专家历史经验确定与根因“天线下倾角过大”可能存在关系的非关键性能指标还包括Rsrq，所以可以将Rsrq作为第二性能指标。因此，可以从历史样本数据获得仅包含{Accessibility，Rsrq，Distance}性能指标的数据，获得根因“天线下倾角过大”所对应的第一训练数据集，同理，可以从历史样本数据获得仅包含{Accessibility，Rsrq，Dlsinr}性能指标的数据，获得根因“下行干扰”所对应的第二训练数据集；从历史样本数据获得仅包含{Accessibility，Rsrp，Rsrq}性能指标的数据，获得根因“下行弱覆盖”所对应的第三训练数据集。

需要说明的是，本实施方式中在根据每一个根因所对应的训练集构造根因定位树时，具体采用的方式是，计算每一个根因所对应的训练集中的关键性能指标和非关键性能指标之间的相关系数；并根据相关系数确定关键性能指标、非关键性能指标和根因的最优路径，并将最优路径作为根因定位树的一个分支；确定根因定位树中每一个根因所对应的分支；将每一个根因所对应的分支进行合并，构建根因定位树。

例如，以第三训练数据集为例说明根因“下行弱覆盖”所对应的分支，在计算第三训练数据集中的关键性能指标和非关键性能指标之间的相关系数的方式也可以采用皮尔逊相关系数算法，计算过程与第一实施方式大致相同，因此本实施方式中不再进行赘述。如果经过计算确定对于根因“下行弱覆盖”来说，Accessibility与Rsrp之间的相关系数为0.8，Rsrp与Rsrq之间的相关系数为0.6，Accessibility与Rsrq之间的相关系数为0.3，说明对于根因“下行弱覆盖”来说通过专家经验所确定的非关键性能指标Rsrq是无效的，因此对于根因“下行弱覆盖”所对应的分支为：Accessibility->Rsrp，同理可以获得根因“天线下倾角过大”所对应的分支为“Accessibility->Rsrq->Distance”，根因“下行干扰”所对应的分支为“Accessibility->Rsrq->Dlsinr”，将所获得的各个分支进行合并获得如图2所示的根因定位树的结构。当然，本实施方式中是以性能指标Accessibility作为关键性能指标为例进行的说明，对于将其它性能指标作为关键性能指标构建根因定位树的方式与本实施方式大致相同，因此本实施方式中不再进行赘述。

在步骤202后，执行步骤203至205。

与现有技术相比，本实施方式提供的本实施方式提供的根因定位方法，当确定待测试数据集中的关键性能指标异常的情况下，计算待检测数据异常部分中的关键性能指标和非关键性能指标之间的相关系数矩阵，在已知的根因定位树的基础上通过查找相关系数矩阵，可以自动获取到关键性能异常时所对应的根因，并且所获得的根因也更加准确。并且在进行根因定位的过程中通过获取的历史样本数据集构造根因定位树，不需要涉及具体的专家参与其中。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明第三实施方式涉及一种服务器，如图5所示，包括至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行，以使至少一个处理器501能够执行上述实施例中的根因定位方法。

本实施例中，处理器501以中央处理器(Central Processing Unit，CPU)为例，存储器502以可读写存储器(Random Access Memory，RAM)为例。处理器501、存储器502可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中实现根因定位方法的程序就存储于存储器502中。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述根因定位方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个程序模块存储在存储器502中，当被一个或者多个处理器501执行时，执行上述任意方法实施例中的根因定位方法。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本申请的第六实施方式涉及一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被处理器执行时能够实现本发明任意方法实施例中涉及的根因定位方法。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种根因定位方法，其特征在于，应用于服务器，包括：

检测待测试数据集中的关键性能指标，并将所述待检测数据集中关键性能指标异常的数据提取出来获得第一数据集；

计算所述第一数据集中所述关键性能指标和多个非关键性能指标之间的相关系数矩阵；

根据所述相关系数矩阵和已知的根因定位树确定所述关键性能指标异常时的根因，其中，所述根因定位树中保存了关键性能指标、所述多个非关键性能指标和根因的对应关系。

2.根据权利要求1所述的根因定位方法，其特征在于，所述根据所述相关系数矩阵和已知的根因定位树确定所述关键性能指标异常时的根因之前，还包括：

获取历史样本数据集，其中，所述历史样本数据集中的每一个数据包括所述关键性能指标和所述多个非关键性能指标；

根据所述历史样本数据集构造所述根因定位树。

3.根据权利要求2所述的根因定位方法，其特征在于，所述根据所述历史样本数据集构造所述根因定位树，具体包括：

确定每一个根因所对应的所述第一性能指标，其中，所述第一性能指标为与所述根因直接相关的所述非关键性能指标；

确定每一个所述根因所对应的第二性能指标，其中，所述第二性能指标为与所述根因间接相关的所述非关键性能指标；

根据所述关键性能指标、所述第一性能指标和所述第二性能指标，从所述历史样本数据集中获取每一个所述根因所对应的训练集；

根据每一个所述根因所对应的训练集构建所述根因定位树。

4.根据权利要求3所述的根因定位方法，其特征在于，所述根据每一个所述根因所对应的训练集构建所述根因定位树，具体包括：

计算每一个所述根因所对应的训练集中的所述关键性能指标和所述非关键性能指标之间的相关系数；

并根据所述相关系数确定所述关键性能指标、所述非关键性能指标和所述根因的最优路径，并将所述最优路径作为所述根因定位树的一个分支；

确定所述根因定位树中每一个根因所对应的分支；

将每一个根因所对应的分支进行合并，构建所述根因定位树。

5.根据权利要求4所述的根因定位方法，其特征在于，所述根因定位树包括：根节点、中间节点和叶子节点，其中，所述根节点表示所述关键性能指标，所述叶子节点表示与所述根因直接相关的所述非关键性能指标，所述中间节点表示与所述根因间接相关的所述非关键性能指标。

6.根据权利要求1所述的根因定位方法，其特征在于，所述检测待测试数据集中的关键性能指标，并将所述待检测数据集中关键性能指标异常的数据提取出来获得第一数据集，具体包括：

计算所述待检测数据集中所述关键性能指标的标准差和均值；

根据所述标准差和所述均值构建置信区间；

将所述待检测数据集中关键性能指标位于所述置信区间之外的数据作为所述关键性能指标异常的数据；

将所述待检测数据集中关键性能指标位于所述置信区间之外的数据提取出来作为所述第一数据集。

7.根据权利要求5所述的根因定位方法，其特征在于，所述根据所述相关系数矩阵和已知的根因定位树确定所述关键性能指标异常时的根因，具体包括：

根据所述相关系数矩阵确定所述根因定位树中相关系数乘积结果最大的一个分支；

将所述相关系数乘积结果最大的一个分支中的叶子节点所对应的根因作为所述关键性能指标异常时的根因。

8.根据权利要求7所述的根因定位方法，其特征在于，所述根据所述相关系数矩阵确定所述根因定位树中相关系数乘积结果最大的一个分支，具体包括：

确定所述根因定位树中每一个分支所包含的所述根节点、所述中间节点和所述叶子节点；

根据所述相关系数矩阵查找所述每一个分支中相邻节点之间的相关系数，并将所述每一个分支中所有相邻节点之间的相关系相乘，获得所述每一个分支的相关系数乘积结果；

将所述每一个分支中的相关系数乘积结果进行对比，确定所述相关系数乘积结果最大的一个分支。

9.一种服务器，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8任一项所述的根因定位方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的根因定位方法。

Images